O que está acontecendo: a demanda dos data centers está subindo
A demanda de eletricidade dos data centers cresceu 17% em 2025, e a dos data centers focados em IA cresceu cerca de 50%, contra 3% de crescimento na demanda global de eletricidade, segundo a Agência Internacional de Energia. A agência projeta que o consumo dos data centers praticamente dobre até 2030, chegando a cerca de 945 TWh por ano — comparável ao consumo total de eletricidade do Japão —, com a IA como principal motor. Esse número é uma projeção, não uma medição.
A água segue a mesma curva. Os data centers resfriam seus servidores em grande parte evaporando água, e as usinas que os abastecem também usam água. Pesquisadores das Nações Unidas projetam que o consumo de água dos data centers também praticamente dobre até 2030, e a pressão recai sobre as bacias específicas onde as instalações se concentram, não sobre o planeta de forma igual.
Um prompt é pequeno
O melhor número público vem do Google, que instrumentou a própria infraestrutura: em maio de 2025, o prompt de texto mediano nos apps do Gemini usou 0,24 Wh de energia, emitiu 0,03 g de CO2 equivalente e consumiu 0,26 mL de água — cerca de 5 gotas. A medição inclui chips ociosos e a estrutura do data center, não só os processadores ativos. O Google também informa que a energia por prompt mediano caiu 33 vezes nos 12 meses anteriores.
A OpenAI declarou um número de cerca de 0,34 Wh por consulta média ao ChatGPT, sem publicar o método. Os demais provedores não publicaram número comparável. Para dar escala, 0,24 Wh mantém uma televisão ligada por cerca de 9 segundos. Por prompt, o custo é pequeno; o total cresce com o volume e, como mostra a próxima seção, com os hábitos.
O que multiplica o custo
O mesmo pedido pode custar valores muito diferentes conforme o modo, o modelo e o número de tentativas. Estes são os multiplicadores que os estudos publicados sustentam, comparados a um único prompt simples:
- Um prompt claro que funciona na primeira vez
- Energia comparada a um prompt simples
- 1× — a referência
- Evidência
- Medianas medidas acima
- Enviar um pedido 5 vezes até a resposta sair certa
- Energia comparada a um prompt simples
- 5× — cada tentativa repete o custo inteiro
- Evidência
- Aritmética; estudo de contabilidade por objetivo, 2026
- Modo de raciocínio ligado
- Energia comparada a um prompt simples
- Cerca de 30× em média em 40 modelos abertos; centenas de vezes em alguns
- Evidência
- Benchmark AI Energy Score, 2025
- Um prompt longo para os modelos que mais consomem energia
- Energia comparada a um prompt simples
- Acima de 29 Wh por prompt, mais de 65× os sistemas mais eficientes
- Evidência
- Benchmark entre modelos, 2025
- Um fluxo com agentes em vez de um fluxo linear
- Energia comparada a um prompt simples
- Cerca de 4× por objetivo concluído (888 J contra 205 J)
- Evidência
- Estudo de contabilidade por objetivo, 2026
- Um agente de IA resolvendo um pedido complexo
- Energia comparada a um prompt simples
- Até 136,5× por pedido; 348 Wh em média
- Evidência
- Estudo de universidade coreana, 2026
A maior alavanca: o modo
No benchmark AI Energy Score, um modelo aberto de raciocínio usou 9.462 Wh no conjunto de teste com o raciocínio ligado e cerca de 18 Wh com ele desligado. O raciocínio ajuda em problemas difíceis; numa pergunta simples, a maior parte dessa energia extra rende pouco.
Por que escrever bons prompts é uma habilidade de sustentabilidade
Um modelo gasta energia em cada palavra que escreve, por isso o tamanho da resposta pesa mais no custo do que o tamanho da pergunta. Um estudo sobre o desenho de prompts em modelos abertos concluiu que a tarefa pedida importa mais que o comprimento do prompt, e que palavras abertas como explique ou analise tendem a gerar respostas mais longas e mais caras.
Pedir menos funciona. Num estudo sobre o tamanho das respostas, prompts que pediam respostas concisas reduziram o consumo de energia de 25 a 60%, preservando a qualidade em relação a respostas de referência. E as repetições são o multiplicador escondido: um prompt vago que precisa de mais quatro tentativas custa cinco vezes mais do que um que funciona na primeira.
O Método de Prompt Sustentável
Seis hábitos, cada um tirado da evidência acima. Nenhum pede que se use menos IA; eles levam à resposta certa mais cedo.
- Seja específico — diga o objetivo, o público, o formato e o tamanho já na primeira mensagem.
- Dê o contexto logo de início — cole o que o modelo precisa em vez de corrigi-lo depois.
- Use o modelo do tamanho certo — um modelo rápido e leve para tarefas simples; modos de raciocínio e agentes para problemas realmente difíceis.
- Peça o tamanho de que precisa — duas frases, uma tabela ou nenhuma explicação, quando isso basta.
- Edite, não regenere — peça um ajuste pontual em vez de tentar a sorte de novo.
- Pergunte se precisa mesmo de IA — uma calculadora, uma busca ou uma fonte conhecida às vezes é a ferramenta melhor.
O que já existe, e a lacuna
Extensões de navegador já estimam a energia, o carbono e a água de sessões com chatbots, e o AI Energy Score classifica modelos abertos com estrelas, como os selos de eficiência dos eletrodomésticos. Os dois mostram o custo depois que ele foi gasto. Poucas ferramentas ensinam os hábitos que o evitam, e é aí que este tema da biblioteca vai continuar.
O que tornaria esta análise errada
Os números por prompt são medianas ou médias escolhidas e publicadas pelos próprios provedores; só o do Google vem com método, e nenhum é uma auditoria independente. Os multiplicadores de benchmarks descrevem modelos abertos em hardware fixo, e os serviços comerciais agrupam pedidos, guardam respostas em cache e trocam de modelo com frequência. A eficiência está melhorando rápido — o próprio número do Google caiu 33 vezes em um ano —, o que pode encolher cada número por prompt aqui, enquanto o uso crescente empurra os totais para cima. Cada número é datado pela sua fonte, e este artigo será atualizado quando eles mudarem.
Isto é análise de pesquisa sobre fontes publicadas, não uma auditoria. Números de empresas são divulgações das próprias empresas; resultados de laboratório descrevem suas condições de teste, não todo produto; projeções não são medições. Os números deste campo mudam rápido, por isso cada um é datado pela sua fonte.
Referências e dados
- 1.International Energy Agency — Energy and AI — Demanda de eletricidade dos data centers: crescimento de 17% em 2025 (cerca de 50% nos data centers focados em IA) e a projeção de cerca de 945 TWh por ano até 2030.
- 2.Google — Measuring the environmental impact of delivering AI at Google scale (arXiv 2508.15734) — Prompt de texto mediano nos apps do Gemini, maio de 2025: 0,24 Wh, 0,03 gCO2e, 0,26 mL de água; redução de energia de 33 vezes em 12 meses.
- 3.Sam Altman — The Gentle Singularity — Número declarado pela OpenAI de cerca de 0,34 Wh por consulta média ao ChatGPT, junho de 2025; método não publicado.
- 4.AI Energy Score — Hugging Face and Salesforce — Classificações padronizadas de energia para modelos abertos; a comparação de modos de raciocínio em 40 modelos, dezembro de 2025.
- 5.Fortune — The rise of AI reasoning models comes with a big energy tradeoff — Reportagem sobre o estudo de raciocínio do AI Energy Score: cerca de 30 vezes a energia em média; 9.462 Wh contra cerca de 18 Wh em um modelo.
- 6.How Hungry is AI? (arXiv 2505.09598) — Benchmark de energia, água e carbono por prompt: os modelos que mais consomem passam de 29 Wh por prompt longo, mais de 65 vezes os mais eficientes.
- 7.Panigrahy and Tyagi — Energy per Successful Goal (arXiv 2605.22883) — Contabilidade de energia por objetivo: fluxos com agentes usaram 888,1 J contra 205,3 J por objetivo concluído; tentativas contadas por inteiro.
- 8.The Korea Times — KAIST study on AI agent energy use — Agentes usaram até 136,5 vezes a energia por consulta da IA generativa comum; 348,41 Wh em média em um pedido complexo, julho de 2026.
- 9.Brevity is the soul of sustainability (arXiv 2506.08686) — Estratégias de prompt para respostas concisas reduziram o consumo de energia de LLMs em 25–60%, preservando a qualidade das respostas.
- 10.Green Prompting (arXiv 2503.10666) — Como as características do prompt e da resposta determinam a energia de inferência; a tarefa e palavras-chave específicas pesam mais que o comprimento do prompt.
- 11.Reuters — AI to double data centre power and water use by 2030, UN researchers say — Relatório da Universidade das Nações Unidas sobre a demanda de eletricidade e água dos data centers, junho de 2026.
- 12.AI Wattch — Extensão de navegador de código aberto que estima a energia e o carbono de sessões no ChatGPT, no Claude e no Gemini.